Przegląd algorytmu Dynamic Pricing PriceLabs (część 2)

Odkryj tajniki najnowocześniejszego algorytmu Dynamic Pricing od PriceLabs. Zanurz się głębiej – czeka na ciebie techniczna przygoda!

W pierwszej części przeglądu naszego algorytmu Dynamic Pricing pokazujemy, jak obliczamy optymalne ceny dla dowolnej przyszłej daty – prognozując jej obłożenie, szacując prawdopodobieństwo rezerwacji i znajdując cenę, która maksymalizuje oczekiwany przychód.

Pierwsza część wyjaśnia, dlaczego ceny powinny się różnić w zależności od sezonu, dnia tygodnia i tempa rezerwacji na rynku oraz w przypadku skoku popytu związanego ze świętem lub wydarzeniem. Jeśli nie zapoznano się jeszcze z Częścią 1, warto to zrobić przed zagłębieniem się w ten artykuł.

Przechodzimy teraz do ostatniej cz��ści naszego algorytmu: Ewolucja stawek, czyli tego, jak zmieniają się w czasie ceny dla przyszłej daty. Istnieją dwa główne powody, dla których nasze rekomendacje cenowe zmieniają się w czasie.

Zmieniająca się prognoza: nasza prognoza dla przyszłej daty może zmieniać się codziennie w miarę napływu nowych informacji. Poniższy wykres pokazuje, jak w poprzednich miesiącach zmieniała się nasza prognoza na 14 kwietnia 2023 r. dla rynku Phoenix. Widać nagły skok prognozy po listopadzie 2022 r. – Taylor Swift ogłosiła wtedy daty trasy Eras Tour w Phoenix w stanie Arizona. Od sierpnia do października 2022 r. nasza prognoza rynkowa spadała, ponieważ tempo rezerwacji w tym obszarze było niższe niż w poprzednim roku, co było wczesnym sygnałem spowolnienia gospodarczego. Wkrótce po ogłoszeniu trasy Eras Tour trend tempa rezerwacji się odwrócił, a nasza prognoza wzrosła o około 25%.

Uwaga: wykres przedstawiający miesięczną ewolucję prognozy służy wyłącznie celom poglądowym. Silnik prognostyczny, który napędza nasze ceny dynamiczne, działa codziennie.

Pozostała szansa na rezerwację: w powyższym przykładzie łatwo zauważyć, że skoro prognoza wzrosła po ogłoszeniu dat trasy Eras Tour, optymalne ceny również powinny wzrosnąć. Mniej oczywiste jest jednak to, jak stawki powinny się zmieniać, gdy nasza prognoza popytu na daną datę pozostaje bez zmian.

Kolejne sekcje pomagają zrozumieć, dlaczego i jak stawki powinny się zmieniać w miarę zbliżania się daty pobytu.

Dlaczego ceny powinny się zmieniać wraz z czasem realizacji?

Nasi klienci często pytają, dlaczego nasze rekomendacje cenowe są zazwyczaj wysokie dla odległych terminów i maleją z czasem. Z poprzedniego artykułu wiemy, że prawdopodobieństwo rezerwacji na przyszłą datę jest powiązane z prognozowanym obłożeniem.

Na przykład: jeśli prognozowane obłożenie wynosi 90%, a żadna rezerwacja jeszcze nie nastąpiła, oczekujemy, że zarezerwowanych zostanie 90 ze 100 podobnych obiektów. W takim momencie możemy ustawić wysoką cenę, ponieważ większość obiektów na rynku ma zostać zarezerwowana.

Przenieśmy się teraz o 3 miesiące do przodu i załóżmy, że zarezerwowanych jest już 80 obiektów. Rynek rezerwuje się zgodnie z oczekiwaniami, a my nadal prognozujemy 90% obłożenia. Oznacza to, że spośród pozostałych 20 obiektów zarezerwowanych ma zostać jedynie 10 – czyli prawdopodobieństwo rezerwacji wynosi 50%.

Choć ogólna prognoza rynkowa się nie zmieniła (nadal spodziewamy się 90% obłożenia), jeśli dany obiekt nie został jeszcze zarezerwowany, szanse na jego rezerwację przy tej samej cenie spadły. Dlatego warto rozważyć obniżenie stawek, aby zwiększyć oczekiwany przychód.

Odblokuj 7: Ewolucja stawek

Dlatego do obliczania prawdopodobieństwa rezerwacji przy różnych poziomach cen musimy wprowadzić pojęcie 'czasu realizacji'.

Posłużmy się kolejnym przykładem, aby lepiej to zrozumieć. Rozważmy scenariusz, w którym:

• Możemy zmieniać ceny 3 razy, w następujących oknach rezerwacji: 360, 240 i 120 dni.
• Ceny mogą wynosić 200, 400, 600, 800 lub 1000.
• Nikt nie rezerwuje z wyprzedzeniem większym niż 360 dni.
• Prawdopodobieństwa rezerwacji dla każdego okna rezerwacji przedstawia poniższa tabela.

Jak widać, mamy teraz dostęp do informacji o prawdopodobieństwie rezerwacji w poszczególnych oknach rezerwacji. Całkowite prawdopodobieństwo rezerwacji przy danej cenie można wyznaczyć na podstawie prawdopodobieństw dla poszczególnych okien rezerwacji.

Na przykład dla ceny 200 całkowite prawdopodobieństwo rezerwacji można obliczyć za pomocą poniższego wzoru

Scenariusz 1: możemy ustawić cenę tylko raz

Obliczmy teraz maksymalny oczekiwany przychód w obu poniższych scenariuszach.

W tym przypadku cena maksymalizująca przychód to taka, dla której iloczyn pierwszych dwóch kolumn (ceny i prawdopodobieństwa rezerwacji przy tej cenie) jest najwyższy. Cena 600 USD zapewnia najwyższy oczekiwany przychód w wysokości 300 USD (600 USD × 50%). Gdybyśmy mogli ustawić cenę tylko raz, wybralibyśmy 600 USD!

Scenariusz 2: możemy zmienić ceny 3 razy

Znalezienie optymalnego zestawu cen może być trudne obliczeniowo, ponieważ mamy do czynienia z sekwencją decyzji o wielu możliwościach i prawdopodobieństwem warunkowym. Dla każdego z trzech okien rezerwacji dostępnych jest 5 możliwych cen. Daje to łącznie 5*5*5 = 125 możliwości do rozważenia.

Wyobraźmy sobie teraz, że mamy te same 5 cen dla przyszłej daty odległej o 360 dni, ale tym razem cenę można zmieniać codziennie. Liczba możliwości wynosi wtedy 5^360 – to bardzo duża liczba, trudna do obliczenia nawet dla najszybszych komputerów!

Najłatwiej wyjaśnić decyzję dotyczącą okna rezerwacji na 120 dni przed przyjazdem. Dla 120 dni cenę maksymalizującą przychód można obliczyć, mnożąc ceny przez prawdopodobieństwo rezerwacji w tym oknie. W tym przypadku ceną maksymalizującą przychód dla tego okna jest 400 USD.

W przypadku okna rezerwacji na 240 dni musimy uwzględnić nie tylko maksymalizację przychodu ze sprzedaży w tym oknie, ale też możliwość niesprzedania teraz i sprzedaży w oknie 0–120 dni. Nie chcemy sprzedawać zbyt tanio już teraz, skoro w przyszłości możemy sprzedać za 400 USD. Optymalizacja tego procesu może być złożonym zadaniem, ale na szczęście jest to dobrze zbadany obszar optymalizacji matematycznej. Ten problem obliczeniowy rozwiązujemy za pomocą równania Bellmana.

Przedstawiamy optymalne rozwiązanie, aby pokazać, że oczekiwany przychód jest wyższy niż w Scenariuszu 1.

Poniższy optymalny zestaw cen daje oczekiwany przychód w wysokości 303 USD:

• 360 dni przed przyjazdem: ustaw 800 USD
• 240 dni przed przyjazdem: ustaw 600 USD
• 120 dni przed przyjazdem: ustaw 400 USD

Scenariusz 2 daje oczekiwany przychód w wysokości 303 USD, w porównaniu do 300 USD w Scenariuszu 1. Oznacza to, że Scenariusz 2 jest o 1% lepszy.

Powyższy przykład pokazuje stosunkowo skromny wzrost przychodu o 1% dzięki zmianie cen, ale nasze eksperymenty na rzeczywistych danych wskazują, że prawidłowe stosowanie zniżek last minute daje wzrost rzędu 9%. Różnica wynika z tego, że nasze algorytmy zmieniają ceny nie 3 razy w roku, lecz codziennie.

Uwaga: cena dla okna 0–120 dni zawiera zniżkę względem optymalnej ceny ze Scenariusza 1, natomiast cena dla okna 240–360 dni zawiera premię względem optymalnej ceny ze Scenariusza 1. Nasz algorytm oblicza te wartości automatycznie w miarę zmiany czasu realizacji.

Podwyżka cen na ostatnią chwilę?

Tak! Powyższy przykład zakłada, że nasza prognoza popytu jest znana od początku i się nie zmienia. W rzeczywistości, jak pokazał przykład trasy koncertowej Taylor Swift czy spowolnienia gospodarcze, w miarę zbliżania się danej daty może wydarzyć się wiele rzeczy.

Ceny mogą rosnąć w miarę zbliżania się daty, jeśli rynek rezerwuje się szybciej, niż wskazuje nasza prognoza. Może się to zdarzyć również wtedy, gdy istnieje istotna różnica we wrażliwości cenowej między rezerwacjami last minute a rezerwacjami z dużym wyprzedzeniem.

Dlaczego linie lotnicze robią to inaczej?

Choć zarówno linie lotnicze, jak i najmy wakacyjne należą do branży turystycznej, dynamika tych rynków jest bardzo różna.

Rynek najmów wakacyjnych zbliżony jest do modelu 'doskonałej konkurencji' – potencjalny gość ma do wyboru wiele opcji. Dodatkowo własność tych obiektów jest zwykle mocno rozdrobniona – nawet na rynkach, gdzie duży zarządca obsługuje większość oferty, przychód z rezerwacji jednego domu nie jest dzielony z innym właścicielem.

Rynek linii lotniczych ma charakter oligopolistyczny. Na większości tras między dwoma miastami dostępnych jest tylko kilka realnych opcji. Dodatkowo, biorąc pod uwagę podróże służbowe rezerwowane w ostatniej chwili, znaczenie mają trzy dodatkowe czynniki: programy lojalnościowe, przez które podróżni chętniej wybierają preferowaną linię lotniczą; umowy korporacyjne, na mocy których duże firmy rezerwują loty swoich pracowników wyłącznie u preferowanych przewoźników; oraz ogólnie niższa wrażliwość cenowa podróżnych służbowych. Wszystko to sprawia, że decyzją maksymalizującą przychód linii lotniczych jest często utrzymywanie wyższych cen na ostatnią chwilę, nawet kosztem kilku pustych miejsc. W przeciwieństwie do domów liczy się tu całkowity przychód z samolotu, a nie maksymalizacja przychodu z każdego miejsca osobno.

Premie dla odległych terminów w najmach wakacyjnych pełnią jeszcze jedną ważną funkcję: gdy data jest bardzo odległa, a liczba rezerwacji niska, prognoza z natury obarczona jest pewnym marginesem błędu. Możemy działać najlepiej, jak potrafimy, na podstawie dostępnych danych, ale wiele zdarzeń może wpłynąć na popyt na przyszłą datę. Premie dla odległych terminów stanowią zabezpieczenie przed takimi zdarzeniami, zwłaszcza gdy data jest na tyle odległa, że i tak niewielka część popytu zdążyłaby się już zarezerwować.

Na koniec:

Ustalanie dynamicznych cen dla każdej przyszłej daty nie jest jednorazowym działaniem. Nasz zespół data science ustalił, że nawet gdy prognoza jest stabilna, odpowiednie premie dla odległych terminów i zniżki last minute dają średnio 11% wzrost przychodu.

PS: Mamy kilka ciekawych wniosków na temat tego, jak zniżki last minute powinny się różnić w zależności od rynku i sezonu – przeczytaj ten wpis na blogu.

Kończąc naszą podróż po algorytmie cen dynamicznych, mamy nadzieję, że ten artykuł przybliżył złożony proces optymalizacji stawek dla danego obiektu. Aby przekonać się, jakie korzyści daje wycena dynamiczna, zachęcamy do wypróbowania PriceLabs – Rozpocznij swój darmowy okres próbny. Niezależnie od tego, czy jesteś doświadczonym menadżerem nieruchomości, czy dopiero zaczynasz, nasz algorytm został zaprojektowany tak, aby zwiększać twoje możliwości.

Jeśli masz pytania dotyczące powyższych informacji lub PriceLabs w ogóle, skontaktuj się z naszym zespołem wsparcia – przekażą je dalej!

Wracamy do budowania,

Zespół Data Science PriceLabs